Especialización de Coursera (“Deep Learning for Healthcare Specialization – University of Illinois”)
📌 Tabla de Conocimientos en Aprendizaje (Especialización en Deep Learning para Healthcare)
| Curso | Temas principales | Subtemas / Módulos |
|---|---|---|
| Health Data Science Foundation | Fundamentos de ciencia de datos en salud | – Introducción al área – Análisis de datos médicos – Fundamentos de ML – Redes Neuronales Profundas (DNN) |
| Deep Learning Methods for Healthcare | Métodos de Deep Learning aplicados a biomedicina | – Representaciones y embeddings – Redes Convolucionales (CNN) – Redes Recurrentes (RNN) – Autoencoders |
| Advanced Deep Learning Methods for Healthcare | Técnicas avanzadas de DL en medicina | – Modelos de atención (Attention) – Redes Neuronales en Grafos (GNN) – Memory Networks – Modelos Generativos |
Actualmente curso la especialización en Deep Learning Methods for Healthcare (University of Illinois Urbana-Champaign, Coursera).
Este programa avanzado me permite aplicar métodos modernos de aprendizaje profundo a datos biomédicos y clínicos, integrando:
- Fundamentos en análisis de datos en salud y redes neuronales profundas.
- Uso de CNNs, RNNs y Autoencoders para el análisis de imágenes y secuencias biomédicas.
- Métodos avanzados como Transformers, modelos de atención, Graph Neural Networks y modelos generativos aplicados a problemas médicos reales.
- Desarrollo práctico en PyTorch y Jupyter Notebooks con datasets biomédicos provistos.
📌 Este conocimiento complementa mi certificación previa en Machine Learning para Biomedicina y fortalece mi portafolio en IA aplicada a la salud.
📊 Portafolio de Proyectos Derivados
Como parte de la especialización, aplico lo aprendido en proyectos prácticos:
- Clasificación de datos médicos con DNNs
- Entrenamiento de redes profundas en datos estructurados de salud.
- Uso de métricas como accuracy, precision y recall.
- Análisis de imágenes médicas con CNNs
- Implementación de CNNs para detección de patrones en imágenes biomédicas.
- Ejemplo: clasificación de imágenes de radiografías.
- Modelado secuencial con RNNs
- Aplicación de redes recurrentes a series temporales biomédicas.
- Ejemplo: análisis de señales médicas (ECG, EEG).
- Reconstrucción de datos con Autoencoders
- Reducción de dimensionalidad en datos médicos.
- Uso para mejorar diagnósticos o compresión de imágenes.
- Técnicas avanzadas (atención y GNNs)
- Aplicación de attention models para mejorar interpretabilidad.
- Uso de Graph Neural Networks para representar relaciones clínicas complejas.
Artículos
Vision transformer architecture and applications in digital health: a tutorial and survey – 2023
El transformador de visión (ViT) es una arquitectura de vanguardia para tareas de reconocimiento de imágenes que desempeña un papel fundamental en las aplicaciones de salud digital. Las imágenes médicas representan el 90 % de los datos en las aplicaciones de medicina digital. Este artículo analiza los fundamentos de la arquitectura ViT y sus aplicaciones de salud digital. Estas aplicaciones incluyen la segmentación, clasificación, detección, predicción, reconstrucción y síntesis de imágenes, así como la telesalud, como la generación de informes y la seguridad. Este artículo también presenta una hoja de ruta para la implementación de ViT en sistemas de salud digital y analiza sus limitaciones y desafíos.
Transformer models in biomedicine – 2024
En este artículo, revisamos el desarrollo y la aplicación de los modelos de transformadores para analizar diversos conjuntos de datos biomédicos, como datos textuales biomédicos, secuencias de proteínas, datos longitudinales estructurados médicos e imágenes y gráficos biomédicos. Además, analizamos estrategias de IA explicables que ayudan a comprender las predicciones de los modelos basados en transformadores. Finalmente, analizamos las limitaciones y los desafíos de los modelos actuales y señalamos nuevas líneas de investigación emergentes.
Otros artículos:
- Ultrasound Image Analysis with Vision Transformers—Review
- Implementing vision transformer for classifying 2D biomedical images
- Vision Transformers, Ensemble Model, and Transfer Learning Leveraging Explainable AI for Brain Tumor Detection and Classification
Tesis
- CLASIFICACIÓN DE TUMORES MAMARIOS CON VISION TRANSFORMERS A
PARTIR DE IMÁGENES DE MICROSCOPIA - CLASIFICACIÓN DE TUMORES MAMARIOS CON VISION TRANSFORMERS A
PARTIR DE IMÁGENES DE MICROSCOPIA